Bergabunglah dengan buletin harian dan mingguan kami untuk mendapatkan pembaruan terkini dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari Lebih Lanjut
Dunia agen AI sedang mengalami revolusi, dan rilis AutoGen v0.4 terbaru dari Microsoft minggu ini menandai lompatan maju yang signifikan dalam perjalanan ini. Diposisikan sebagai kerangka kerja yang kuat, terukur, dan dapat diperluas, AutoGen mewakili upaya terbaru Microsoft untuk mengatasi tantangan dalam membangun sistem multi-agen untuk aplikasi perusahaan. Namun apa yang dapat disampaikan oleh rilis ini tentang keadaan AI agen saat ini, dan bagaimana perbandingannya dengan kerangka kerja besar lainnya seperti LangChain dan CrewAI?
Artikel ini mengungkap implikasi pembaruan AutoGen, mengeksplorasi fitur-fitur menonjolnya, dan menempatkannya dalam lanskap kerangka agen AI yang lebih luas, membantu pengembang memahami apa yang mungkin terjadi dan ke mana arah industri ini.
Janji “arsitektur berbasis peristiwa asinkron”
Fitur yang menentukan dari AutoGen v0.4 adalah penerapan arsitektur asynchronous yang digerakkan oleh peristiwa (lihat postingan blog lengkap Microsoft). Ini adalah langkah maju dari desain yang lebih lama dan berurutan, memungkinkan agen untuk melakukan tugas secara bersamaan daripada menunggu satu proses selesai sebelum memulai proses lainnya. Bagi pengembang, hal ini berarti eksekusi tugas yang lebih cepat dan pemanfaatan sumber daya yang lebih efisien—terutama penting untuk sistem multi-agen.
Misalnya, pertimbangkan skenario ketika beberapa agen berkolaborasi dalam tugas yang kompleks: satu agen mengumpulkan data melalui API, agen lain menguraikan data, dan agen ketiga membuat laporan. Dengan pemrosesan asinkron, agen-agen ini dapat bekerja secara paralel, berinteraksi secara dinamis dengan agen pemikir pusat yang mengatur tugas-tugas mereka. Arsitektur ini selaras dengan kebutuhan perusahaan modern yang mencari skalabilitas tanpa mengorbankan kinerja.
Kemampuan asinkron semakin menjadi taruhannya. Pesaing utama AutoGen, Langchain dan CrewAI, telah menawarkan hal ini, sehingga penekanan Microsoft pada prinsip desain ini menggarisbawahi komitmennya untuk menjaga AutoGen tetap kompetitif.
Peran AutoGen dalam ekosistem perusahaan Microsoft
Strategi Microsoft untuk AutoGen mengungkapkan pendekatan ganda: memberdayakan pengembang perusahaan dengan kerangka kerja fleksibel seperti AutoGen, sekaligus menawarkan aplikasi agen bawaan dan kemampuan perusahaan lainnya melalui Copilot Studio (lihat liputan saya tentang pengembangan agen Microsoft yang ekstensif untuk pelanggan yang sudah ada, yang dimahkotai oleh sepuluh perusahaannya. aplikasi yang dibuat sebelumnya, diumumkan pada bulan November di Microsoft Ignite). Dengan memperbarui kemampuan kerangka AutoGen secara menyeluruh, Microsoft menyediakan alat bagi pengembang untuk menciptakan solusi khusus sambil menawarkan opsi kode rendah untuk penerapan yang lebih cepat.
Strategi ganda ini menempatkan Microsoft secara unik. Pengembang yang membuat prototipe dengan AutoGen dapat dengan mudah mengintegrasikan aplikasi mereka ke dalam ekosistem Azure, sehingga mendorong penggunaan yang berkelanjutan selama penerapan. Selain itu, aplikasi Magentic-One dari Microsoft memperkenalkan implementasi referensi tentang tampilan agen AI mutakhir ketika mereka berada di atas AutoGen — sehingga menunjukkan cara bagi pengembang untuk menggunakan AutoGen untuk interaksi agen yang paling otonom dan kompleks.
Untuk lebih jelasnya, tidak jelas bagaimana tepatnya aplikasi agen bawaan Microsoft memanfaatkan kerangka kerja AutoGen terbaru ini. Bagaimanapun, Microsoft baru saja menyelesaikan perombakan AutoGen agar lebih fleksibel dan terukur—dan agen bawaan Microsoft telah dirilis pada bulan November. Namun dengan mengintegrasikan AutoGen secara bertahap ke dalam penawarannya di masa mendatang, Microsoft jelas bertujuan untuk menyeimbangkan aksesibilitas bagi pengembang dengan tuntutan penerapan skala perusahaan.
Bagaimana AutoGen dibandingkan dengan LangChain dan CrewAI
Di bidang AI agen, kerangka kerja seperti LangChain dan CrewAI telah mengukir ceruknya. CrewAI, yang merupakan pendatang baru, mendapatkan daya tarik karena kesederhanaannya dan penekanan pada antarmuka drag-and-drop, sehingga dapat diakses oleh pengguna yang kurang teknis. Namun, bahkan CrewAI, seiring bertambahnya fitur, menjadi lebih kompleks untuk digunakan, seperti yang disebutkan Sam Witteveen dalam podcast yang kami terbitkan pagi ini di mana kami membahas pembaruan ini.
Pada titik ini, tidak satu pun dari kerangka kerja ini yang sangat terdiferensiasi dalam hal kemampuan teknisnya. Namun, AutoGen kini membedakan dirinya melalui integrasi erat dengan Azure dan desainnya yang berfokus pada perusahaan. Meskipun LangChain baru-baru ini memperkenalkan “agen ambien” untuk otomatisasi tugas latar belakang (lihat kisah kami tentang hal ini, yang mencakup wawancara dengan pendiri Harrison Chase), kekuatan AutoGen terletak pada ekstensibilitasnya—memungkinkan pengembang membuat alat dan ekstensi khusus yang disesuaikan dengan kasus penggunaan tertentu .
Bagi perusahaan, pilihan antara kerangka kerja ini sering kali bergantung pada kebutuhan spesifik. Alat LangChain yang berpusat pada pengembang menjadikannya pilihan yang kuat untuk startup dan tim yang tangkas. Antarmuka CrewAI yang ramah pengguna menarik bagi penggemar kode rendah. AutoGen, di sisi lain, kini akan menjadi pilihan bagi organisasi yang sudah tertanam dalam ekosistem Microsoft. Namun, poin penting yang dibuat oleh Witteveen adalah bahwa kerangka kerja ini masih digunakan sebagai tempat yang bagus untuk membangun prototipe dan eksperimen, dan banyak pengembang memindahkan pekerjaan mereka ke lingkungan dan kode khusus mereka sendiri (termasuk perpustakaan Pydantic untuk Python misalnya) ketika sampai pada penerapan sebenarnya. Meskipun benar bahwa hal ini dapat berubah ketika kerangka kerja ini membangun kemampuan ekstensibilitas dan integrasi.
Kesiapan perusahaan: tantangan data dan adopsi
Meskipun terdapat kegembiraan seputar AI agen, banyak perusahaan belum siap untuk sepenuhnya memanfaatkan teknologi ini. Organisasi yang saya ajak bicara selama sebulan terakhir, seperti Mayo Clinic, Cleveland Clinic, dan GSK di bidang perawatan kesehatan, Chevron di bidang energi, serta Wayfair dan ABinBev di bidang ritel, berfokus pada pembangunan infrastruktur data yang kuat sebelum menerapkan agen AI dalam skala besar. Tanpa data yang bersih dan terorganisir dengan baik, potensi AI agen tidak akan tercapai.
Bahkan dengan kerangka kerja canggih seperti AutoGen, LangChain, dan CrewAI, perusahaan menghadapi rintangan yang signifikan dalam memastikan keselarasan, keamanan, dan skalabilitas. Rekayasa aliran yang terkendali—praktik mengelola secara ketat cara agen melaksanakan tugas—tetap penting, terutama untuk industri dengan persyaratan kepatuhan yang ketat seperti layanan kesehatan dan keuangan.
Apa langkah selanjutnya bagi agen AI?
Ketika persaingan antar kerangka kerja AI agen semakin memanas, industri ini beralih dari perlombaan untuk membangun model yang lebih baik menjadi fokus pada kegunaan di dunia nyata. Fitur seperti arsitektur asinkron, ekstensibilitas alat, dan agen ambien tidak lagi opsional tetapi penting.
AutoGen v0.4 menandai langkah signifikan bagi Microsoft, menandakan niatnya untuk memimpin dalam bidang AI perusahaan. Namun, pelajaran yang lebih luas bagi pengembang dan organisasi sudah jelas: kerangka kerja masa depan perlu menyeimbangkan kecanggihan teknis dengan kemudahan penggunaan, dan skalabilitas dengan kontrol. AutoGen Microsoft, modularitas LangChain, dan kesederhanaan CrewAI semuanya mewakili jawaban yang sedikit berbeda terhadap tantangan ini.
Microsoft telah berhasil dengan baik dalam kepemimpinan pemikiran di bidang ini, dengan menunjukkan cara menggunakan lima pola desain utama yang muncul untuk agen yang saya dan Sam Witteveen rujuk dalam ikhtisar kami tentang ruang tersebut. Pola-pola tersebut adalah refleksi, penggunaan alat, perencanaan, kolaborasi multi-agen, dan penilaian (Andrew Ng membantu mendokumentasikannya di sini). Ilustrasi Microsoft Magentic-One di bawah ini mengacu pada banyak pola ini.
Untuk wawasan lebih lanjut tentang agen AI dan dampaknya terhadap perusahaan, tonton diskusi lengkap kami tentang pembaruan AutoGen di podcast YouTube kami di bawah, di mana kami juga membahas pengumuman agen ambien Langchain, dan peralihan OpenAI ke agen dengan Tugas GPT, dan bagaimana hal itu tetap bermasalah.
